Page 18 - 論文-黃毓婷V3 MFB

ˆ
 波動劇烈，於特定情緒事件 (如 AI 議題活絡期) 顯著放大，說明
其報酬對市場預期變化極為敏感。情緒變數的表現亦展現差異化特

徵。TSMC 與 MTK 在多數視窗中，其情緒變數呈正向且具統計顯

著性，顯示情緒高漲時，未來報酬亦有隨之上升的傾向。Foxconn 的

情緒變數估計值變動幅度較大，部分期數為負，反映其新聞內容性質

較為多元，投資人反應亦不一致。Alchip 則於新聞情緒出現極端正

負變化期間，其 ˆ  亦劇烈擺動，顯示情緒變動對其報酬具有放大效

果。納入情緒指標後之 CAPM 模型，能夠補足傳統模型無法捕捉之

情緒因子，進而提升對 TSMC、MTK 等新聞響應性較高個股之預測

能力，亦有助於辨識如 Foxconn 與 Alchip 等報酬結構較為複雜之

資產特性，為後續資產配置決策提供重要依據。未來若能結合事件分

類與高頻情緒動態，可改善模型效能與穩健性。

4.3 投資組合分析

本研究以結合新聞情緒指標的預期報酬率作為投資人觀點，應用

1
Black-Litterman 模型建構多資產投資組合， 並針對 2021 年至 2024

年的月資料進行回測分析。研究樣本涵蓋台積電、聯發科、鴻海與世

芯-KY 四檔 AI 概念股，以元大 0050 作為市場比較基準，評估所

建構投資組合在報酬表現、風險控管與資產配置之整體績效。以下依

據年化報酬率、年化波動度、夏普比率與最大回撤四項績效指標 (表

3 ) 進行整體績效評估，並進一步分析個股貢獻。

整體回測結果顯示，納入情緒預測訊號之動態資產配置策略，不

僅有效提升年化報酬，亦在多數情境下展現出優於元大 0050 的表

現，顯示情緒資訊可作為資產配置中具有實務價值的訊號來源。各投

資組合與元大 0050 之累積報酬率比較如圖 2 至圖 12。在所有投資

1
本研究使用 R 語言套件 BLCOP 建構 Black-Litterman 投資組合，該套件可自行設定信心水
準，本研究利用判定係數作為信心水準。此外， 及 λ 分別設定為 0.025 及 2.5。
16